GBHub AI 智能检测功能

WW7899

135人浏览 · 2026-09-29 22:16:01

WW7899 · 2026-09-29 22:16:01 发布

让每一帧监控画面都拥有"思考"能力

一、为什么需要 AI 智能检测

传统视频监控面临三大痛点：

被动监看：值班人员盯着几十上百路画面，疲劳导致漏看
事后追溯：事发后翻录像，错过最佳处置时机
人力成本高：7×24 小时值守，一个监控室至少 3~5 人轮班

AI 检测的价值：让系统自动"看"画面，主动发现异常并告警。人不用盯屏幕，异常自己报警。

二、GBHub AI 检测能力

2.1 目标检测

基于 YOLO 深度学习模型，对监控截图实时推理：

开箱即用：内置 COCO 80 类模型，识别人员、车辆、物品等通用目标
自定义训练：支持训练专用模型，如安全帽、反光衣、烟火、车牌等
换模型零改动：类别名从 ONNX metadata 自动读取，替换文件即可

2.2 检测类别

分类	类别
人员	person
车辆	car、truck、bus、motorcycle、bicycle
物品	backpack、handbag、suitcase、umbrella
自定义	安全帽、反光衣、烟火、车牌、人脸（需训练）

2.3 智能告警

四类规则自由组合，精准匹配业务需求：

规则	说明	示例
类别规则	指定类别出现即告警	检测到未戴安全帽 → 告警
数量规则	目标数量达到阈值告警	人员 ≥ 5 人 → 聚集告警
时段规则	指定时段内检测到目标告警	夜间 22:00~06:00 检测到人 → 告警
区域规则	重点区域任何目标告警	禁区检测到任何目标 → 告警

2.4 智能去重

同通道 + 同原因在配置窗口内只告警一次，避免连续检测导致告警刷屏。

可配置去重窗口（60 秒 / 5 分钟 / 30 分钟）
不同原因独立计数（"未戴安全帽"和"人员聚集"互不干扰）

三、典型应用场景

3.1 工地安全

痛点：工人不戴安全帽，管理人员无法实时监督

方案：训练安全帽检测模型，检测到未戴安全帽立即告警

效果：

违规行为实时发现，管理效率提升 10 倍
告警自动推送，无需人工盯屏
违规记录自动存档，便于事后追溯

3.2 园区周界

痛点：夜间无人值守，入侵行为无法及时发现

方案：配置夜间时段规则 + 重点区域规则

效果：

夜间检测到人/车立即告警
重点区域任何异常都触发告警
无人值守也能保障安全

3.3 人员聚集

痛点：广场、车站等区域人员聚集，存在安全隐患

方案：配置数量阈值规则（如 person ≥ 5）

效果：

人数达到阈值自动预警
提前介入，避免踩踏风险
数据可统计，辅助管理决策

3.4 烟火预警

痛点：火灾发生才发现，响应时间不足

方案：训练烟火检测模型，第一时间发现火情

效果：

烟雾和火焰实时识别
响应时间从分钟级降到秒级
大幅减少火灾损失

3.5 更多场景

场景	检测目标
交通监控	车辆类型、违停、逆行
出入口管理	人员、车辆通行统计
工业生产	人员状态、设备运转
商业零售	客流统计、行为分析
森林防火	烟雾、火点识别

四、部署方案

4.1 硬件要求

配置	适用场景
4 核 CPU / 8GB	小规模，50 路以内
8 核 CPU / 16GB	中等规模，200 路以内
16 核 + GPU	大规模，500 路以上

4.2 部署步骤

编译安装（CPU / GPU 版本可选）
准备模型（使用内置或自定义训练）
配置环境变量（Redis、模型路径、告警规则）
启动服务（systemd 托管）
创建定时任务（截图频率）

全程零改动业务代码。

4.3 扩容

加节点零配置：

拷贝 /opt/ai-server/ 到新机器
修改 .env 指向同一个 Redis
systemctl start ai-server

新节点自动加入消费者组，开始处理任务。

五、成本对比

5.1 传统方案

项目	成本
监控室人员	3 人 × 8 万/年 = 24 万/年
AI 平台授权	10 万+ /年
定制开发	5~20 万
首年总成本	40 万+

5.2 GBHub AI 方案

项目	成本
软件授权	1000 元/服务器
部署服务	免费（远程协助）
自定义模型	自主训练（开源工具）
首年总成本	1000 元起

成本降低 99%。

六、与竞品对比

维度	GBHub	传统 AI 平台
授权费用	AI版 1000 元/服务器	5~20 万/年
部署方式	本地 / 私有云	通常要求上云
数据隐私	完全私有	部分数据上传
模型定制	自由训练	受厂商限制
二次开发	完全开放	通常不开放
扩展性	水平扩展	需额外付费
告警规则	4 类自由组合	固定模板

七、快速体验

在线演示

地址：https://mgr.automate.org.cn
用户名：admin
密码：admin123

获取支持

微信：prcloud
服务时间：工作日 9:00 - 21:00

购买流程

联系我们 → 确认服务器信息
远程部署 → 安装软件包，配置环境
接入设备 → 配置摄像机，开始使用

从联系到上线，最快 1 天。

八、技术亮点

8.1 换模型零改动

训练安全帽模型的完整流程：

第一步，训练模型：

yolo train data=helmet.yaml model=yolo26n.pt

第二步，导出 ONNX：

yolo export model=best.pt format=onnx

第三步，替换模型文件：

cp best.onnx /opt/ai-server/models/helmet.onnx

第四步，修改配置文件：

AI_MODEL_PATH=/opt/ai-server/models/helmet.onnx
AI_CALLBACK_CLASSES=no_helmet

第五步，重启服务：

systemctl restart ai-server

Rust 代码零改动。类别名从 ONNX metadata 自动读取。

8.2 规则动态配置

改告警规则只重启 mgr，不重启 AI。

原来是"检测到人就告警"：

AI_ALARM_ALWAYS_CLASSES=person

改成"5 人以上才告警"：

AI_ALARM_COUNT_RULES=person:5

修改后重启 mgr：

systemctl restart gbhub-mgr

8.3 分布式消费

Redis 消费者组保证：

每条任务只被一个节点消费
处理成功才 ACK，失败自动重试
节点崩溃后任务被其他节点认领

加节点零配置，减节点无残留。

九、客户案例

案例一：某建筑集团

需求：20 个工地，300+ 摄像头，监管安全帽佩戴

方案：训练安全帽模型 + 数量规则告警

效果：

违规行为从"事后发现"变成"实时预警"
安全管理员从 15 人减到 3 人
月度违规次数下降 70%

案例二：某工业园区

需求：园区周界夜间防范，减少安保人力

方案：夜间时段规则 + 重点区域规则

效果：

夜间无人值守，入侵实时告警
保安从 8 人减到 2 人
入侵响应时间从 5 分钟降到 30 秒

案例三：某商业综合体

需求：广场人员聚集预警，避免踩踏

方案：数量规则（person ≥ 5）+ 去重窗口 5 分钟

效果：

人员聚集自动预警
提前介入疏散
大促期间零事故

十、常见问题

Q：支持哪些设备？

A：GB/T 28181-2016/2022/35114 标准，海康、大华、宇视等主流厂商。

Q：需要 GPU 吗？

A：CPU 也能跑（单张 < 100ms），GPU 更快（< 20ms）。可混合部署。

Q：检测准确率如何？

A：通用目标（人、车）mAP50 > 0.9；自定义模型（安全帽）500 张训练数据可达 mAP50 > 0.85。

Q：告警太频繁怎么办？

A：调大去重窗口、提高数量阈值、提高置信度阈值。四类规则可任意组合。

Q：能自定义检测目标吗？

A：可以。用开源工具（Ultralytics）训练模型，导出 ONNX，替换文件即可。

Q：数据安全吗？

A：完全私有部署。模型、数据、告警全在本地，不上传云端。

十一、立即开始

步骤	操作
1. 体验	访问 https://mgr.automate.org.cn（admin/admin123）
2. 咨询	添加微信 prcloud
3. 购买	AI版 1000 元/服务器，含远程部署
4. 上线	最快 1 天完成部署

附：技术参数

项目	参数
检测模型	YOLOv8 / v11 / v26
输入尺寸	640×640（可配置）
推理速度	CPU < 100ms，GPU < 20ms
支持类别	内置 80 类 + 自定义
告警规则	4 类（类别/数量/时段/区域）
去重窗口	60s ~ 1800s 可配
并发能力	单节点支持 1000+ 路
水平扩展	无限节点
存储	SQLite 本地 + GreptimeDB 分布式
部署系统	CentOS 7/8、Ubuntu 18.04+